Sélection végétale propulsée par l’IA : repenser la recherche et la productivité agricoles

L’IA appliquée à la sélection végétale aide les chercheurs à analyser des données génétiques, agronomiques et environnementales afin de déterminer quelles possibilités méritent d’être étudiées plus attentivement. Elle ne rend pas inutile la culture des plantes, la comparaison des résultats dans différents environnements ou l’évaluation de ce qui fait une variété utile. Dans l’épisode 18 de The Future Herd, le Dr Mohsen Yoosefzadeh Najafabadi explique que la sélection computationnelle repose sur la convergence de ces capacités : les connaissances biologiques, l’expérience de terrain et des moyens de plus en plus puissants d’analyser les données.

À la University of Guelph, ses travaux établissent un lien entre la sélection végétale et la biologie computationnelle. Le profil de recherche de l’université décrit un programme consacré au haricot sec qui intègre la génétique quantitative, l’IA, la phénotypage numérique et la modélisation de scénarios climatiques. La question pratique n’est pas de savoir si un ordinateur peut remplacer un sélectionneur. Il s’agit plutôt de déterminer comment ces méthodes peuvent aider les sélectionneurs à choisir de meilleures questions, de meilleurs croisements et de meilleures expériences.

Ce que la sélection végétale computationnelle change

La sélection végétale repose depuis longtemps sur la sélection systématique, la génétique, l’expérimentation et l’observation au fil des générations. Les méthodes computationnelles prolongent ce travail en réunissant différents types de données probantes : l’information génétique, les mesures des caractères des plantes, l’imagerie et les relevés environnementaux. L’apprentissage automatique peut aider à repérer les relations dans ces ensembles de données et à appuyer les prévisions concernant la performance des cultures.

Au cours de la conversation, Yoosefzadeh Najafabadi décrit les efforts nécessaires pour réduire de vastes populations de plantes à des candidats prometteurs. Les modèles offrent un moyen d’examiner certaines possibilités avant de consacrer du temps et des ressources limités à chaque option. Il s’agit d’un changement dans la façon d’orienter les efforts de recherche, et non d’une preuve qu’une variété prédite réussira dans le champ d’un agriculteur.

Cette distinction est importante pour les responsables du secteur agricole. Un processus analytique plus rapide n’est utile que s’il contribue à répondre aux bonnes questions biologiques et pratiques. Quels caractères sont importants pour les producteurs et les transformateurs? Dans quelles conditions un résultat prometteur se maintient-il? Quelles données pourraient modifier la décision?

Les jumeaux numériques et les scénarios climatiques servent à poser des questions du type « et si? »

L’une des possibilités abordées dans l’épisode est celle d’un jumeau numérique : une représentation computationnelle utilisée pour explorer la performance possible d’une culture dans différentes conditions. Yoosefzadeh Najafabadi met en relation des données historiques sur les cultures et l’environnement avec des scénarios concernant les conditions de croissance futures. Cela permet aux chercheurs d’examiner comment la température, les précipitations ou d’autres conditions pourraient influencer les décisions de sélection.

Il s’agit d’explorations conditionnelles, et non de prévisions précises concernant l’avenir d’une ferme donnée. Dans l’entrevue, il reconnaît explicitement que les scénarios futurs ne sont pas totalement exacts; leur valeur réside dans le fait qu’ils fournissent aux chercheurs une base pour leurs investigations. Un modèle peut aider à comparer différentes possibilités, mais son utilité dépend des données sur lesquelles il s’appuie, des hypothèses qu’il formule et de la façon dont ses résultats sont mis à l’épreuve.

Dans le contexte de l’adaptation aux changements climatiques, cela fait passer la question de la simple répétition des décisions de sélection passées à l’examen de la façon dont ces décisions pourraient fonctionner dans différents avenirs. Cela ne fait pas disparaître l’incertitude climatique.

La validation sur le terrain demeure une partie du travail

L’épisode décrit également la collaboration entre des chercheurs qui mettent à l’essai des algorithmes et des processus dans différents endroits. La validation n’est pas une simple formalité finale une fois qu’un modèle a fourni sa réponse. Elle permet aux chercheurs de déterminer si une approche peut s’appliquer au-delà des conditions dans lesquelles elle a été élaborée.

C’est pourquoi les affirmations selon lesquelles les modèles computationnels pourraient rendre les essais sur le terrain superflus passent à côté de l’essentiel. Les outils computationnels peuvent soutenir la sélection et l’expérimentation; ils ne permettent pas à eux seuls d’établir la performance biologique. Les données de terrain, le jugement des chercheurs et la capacité de reconnaître les limites d’un modèle demeurent essentiels.

Le jugement humain et la capacité de recherche partagée

Le récit de Yoosefzadeh Najafabadi porte également sur la collaboration. La sélection computationnelle rapproche les sciences végétales de la science des données, de la modélisation environnementale et du développement logiciel. Les chercheurs ont besoin de moyens pour partager leurs méthodes et leurs données probantes, examiner leurs hypothèses et mettre à l’épreuve les résultats des uns et des autres.

Pour les agriculteurs et les institutions agricoles, l’occasion ne consiste pas simplement à acheter une nouvelle technologie. Il s’agit de façonner une capacité de recherche : déterminer quelles cultures et quelles conditions reçoivent de l’attention, quelles personnes et quels groupes définissent les caractères utiles, et comment les résultats deviennent suffisamment fiables pour guider les décisions. Une analyse plus rapide peut soutenir ce travail, mais elle ne peut pas établir seule ces priorités.

Écoutez la conversation complète sur l’essor de la sélection computationnelle, ou consultez le guide d’écoute sur l’IA dans l’agriculture canadienne pour découvrir des conversations sur les données agricoles, les infrastructures, la gouvernance et le jugement humain.

Sources et contexte

• The Future Herd, épisode 18 : The Rise of the Computational Breeder — la conversation qui a servi de fondement à cet article.
• University of Guelph : Mohsen Yoosefzadeh Najafabadi — description institutionnelle de son programme de recherche, consultée pour cette révision.